Cómo etiquetar menos: comparativa de herramientas de etiquetado automático y aprendizaje activo

La mayoría de los equipos de visión artificial no tienen un problema de etiquetado. Tienen un problema de volumen de etiquetado: demasiados fotogramas, muy pocas horas de revisión y un modelo que solo necesita una fracción de esos fotogramas para mejorar. Las herramientas de automatización abordan este problema desde dos perspectivas, y la diferencia entre ambas determina qué herramienta necesitas realmente. Ultralytics Platform cubre la vía del etiquetado automático y combina la anotación inteligente basada en SAM con el entrenamiento de Ultralytics YOLO en un único flujo de trabajo.

El etiquetado automático coloca un modelo delante de la persona. El modelo propone cajas, máscaras o puntos clave, y una persona revisora los corrige, lo que reduce el coste de cada etiqueta. El aprendizaje activo coloca un modelo delante del conjunto de datos. El modelo puntúa los datos sin etiquetar y te indica qué fotogramas merecen la atención de una persona revisora, lo que reduce el número de etiquetas necesarias. Comprar la primera opción cuando necesitabas la segunda es el error de compra más habitual en esta categoría.

Su anotación inteligente propone máscaras y cajas para tareas de detección, segmentación y cajas orientadas; los conjuntos de datos de pose y clasificación siguen anotándose a mano, algo que conviene comprobar según la combinación de tareas. No es una solución universal. Lightly y Voxel51 FiftyOne están diseñados específicamente para la fase de selección, CVAT es la mejor opción para un flujo de trabajo de código abierto autoalojado, y Labelbox, Encord y SuperAnnotate ofrecen herramientas de revisión empresarial más completas de lo que utilizará un equipo pequeño de visión.

Comparativa de herramientas de etiquetado automático y aprendizaje activo#

Los proveedores aparecen en orden alfabético en toda esta página, no por clasificación. Ultralytics publica esta comparación y aparece en ella, por lo que el orden es deliberadamente neutral y cada entrada indica una contrapartida.

Aquí no hay una única herramienta mejor, porque se trata de dos compras para trabajos distintos. Elige Ultralytics Platform cuando quieras mantener la anotación, el entrenamiento y el despliegue en un mismo ciclo. Elige CVAT o Label Studio cuando el control de código abierto importe más que la comodidad. Elige Lightly o FiftyOne cuando tu verdadera limitación sea decidir qué merece etiquetarse. Elige una plataforma empresarial gestionada cuando el problema real sea gobernar las revisiones de un equipo grande.

Etiquetado automático frente a aprendizaje activo#

Se suelen ofrecer juntos, pero resuelven cuellos de botella distintos. Si primero identificas el tuyo, te ahorrarás un ciclo de compra.

El etiquetado automático reduce el coste de generar una etiqueta. Un modelo procesa tus imágenes, propone anotaciones y una persona las acepta, edita o rechaza. La mejora es real, pero limitada: sigues revisando todos los fotogramas y los errores del modelo se convierten en trabajo para quien los revisa. Corregir es rápido en las clases que el modelo ya gestiona bien. En los casos ambiguos, ocluidos y poco frecuentes (los que realmente mejoran el modelo), las propuestas son peores y corregirlas lleva más tiempo.

El aprendizaje activo reduce la cantidad de etiquetas necesarias. El sistema genera embeddings o puntúa tu conjunto sin etiquetar y clasifica los fotogramas según cuánto enseñarían al modelo: alta incertidumbre, poca similitud con los datos que ya tienes o discrepancias entre versiones del modelo. Etiquetas una fracción del conjunto y obtienes casi toda la precisión.

En la práctica:

• Si el equipo de revisión está desbordado con fotogramas que hay que anotar todos, necesitas etiquetado automático.
• Si tienes mucho más metraje del que podrías etiquetar y no tienes una forma fundamentada de elegir, necesitas aprendizaje activo.
• Si tienes ambos problemas, necesitas ambas cosas, que suelen ser dos productos distintos.

Una secuencia útil es seleccionar primero mediante aprendizaje activo y después aplicar el etiquetado automático solo a lo seleccionado. Automatizar todo el conjunto consume recursos de computación y tiempo de revisión en fotogramas que no habrían cambiado el modelo.

CVAT#

Qué es. Una herramienta de anotación de código abierto consolidada para imágenes, vídeo y datos 3D, que puedes alojar por tu cuenta o usar en modalidad alojada.

Ideal para. Equipos que necesitan controlar por completo dónde se ejecuta la anotación y cuánto cuesta.

Cómo funciona la automatización. La anotación automática invoca modelos servidos junto a CVAT, incluido SAM para la segmentación interactiva, y preanota las tareas antes de que las revise el equipo.

Ventajas. Interfaz de anotación competente sin coste de licencia, sólida compatibilidad con vídeo, incluida la interpolación, y ningún proveedor que retenga tus datos.

Contrapartidas. Tú te encargas del despliegue, del servicio de modelos y del diseño del flujo de revisión. La automatización depende de la calidad de los modelos que pongas en marcha.

Encord#

Qué es. Una plataforma de anotación y gestión de datos para datos visuales complejos, como vídeo, DICOM y nubes de puntos.

Ideal para. Equipos que trabajan con secuencias de vídeo largas o imágenes médicas, donde el trabajo fotograma a fotograma resulta prohibitivo.

Cómo funciona la automatización. La anotación automática y el seguimiento de objetos propagan las anotaciones entre fotogramas, que después se revisan.

Ventajas. Gestión realmente sólida del vídeo y de los formatos médicos, además de herramientas de calidad que detectan problemas en las etiquetas en lugar de limitarse a contar el volumen de trabajo.

Contrapartidas. Es más plataforma y requiere más incorporación de usuarios de lo que justifica un pequeño proyecto de detección.

Label Studio#

Qué es. Un entorno de trabajo de etiquetado de código abierto compatible con visión, texto, audio y otros tipos de datos, con una edición empresarial.

Ideal para. Equipos que quieren estandarizar una única capa de etiquetado para distintas modalidades.

Cómo funciona la automatización. Un backend de aprendizaje automático que tú escribes y alojas devuelve las preanotaciones, así que puedes elegir libremente el modelo que etiqueta.

Ventajas. Máxima flexibilidad en la interfaz y la automatización, sin restricciones sobre el modelo que genera las preanotaciones.

Contrapartidas. La automatización es un entorno de trabajo, no una función lista para usar. Alguien tiene que crear, servir y mantener el backend.

Labelbox#

Qué es. Una plataforma empresarial de etiquetado de datos compatible con varios tipos de datos y con una sólida capa de revisión y calidad.

Ideal para. Organizaciones que etiquetan imágenes junto con otras modalidades bajo un mismo proceso de gobernanza.

Cómo funciona la automatización. El etiquetado asistido por modelos importa predicciones como preanotaciones editables, y las ejecuciones de modelos permiten comparar predicciones con la referencia real en el mismo conjunto de datos.

Ventajas. Flujos de revisión consolidados, control de calidad detallado y visibilidad del rendimiento de cada persona que anota.

Contrapartidas. La amplitud que la hace adecuada para un programa empresarial multimodal añade una configuración que un equipo dedicado solo a visión no necesita.

Lightly#

Qué es. Una plataforma de selección de datos que usa embeddings para decidir qué datos sin etiquetar merece la pena etiquetar.

Ideal para. Equipos con mucho más metraje del que pueden anotar, especialmente de cámaras que graban continuamente o de flotas.

Cómo funciona la automatización. Se generan embeddings de los datos y después se seleccionan por diversidad, incertidumbre o similitud con los casos que te interesan. El subconjunto elegido se envía a la herramienta de anotación que uses.

Ventajas. Ataca directamente el problema de la redundancia en los datos de vídeo, donde miles de fotogramas casi idénticos añaden costes, pero no información.

Contrapartidas. Su función principal es la selección, no la anotación, por lo que suele combinarse con una herramienta de etiquetado. Sin embargo, LightlyStudio, la versión actual publicada bajo Apache-2.0, ha ampliado su alcance para incluir también el etiquetado. Comprueba el alcance actual en lugar de dar por hecho que solo sirve para seleccionar.

Roboflow#

Qué es. Una plataforma de visión artificial que abarca la gestión de conjuntos de datos, la anotación, el entrenamiento y el despliegue, muy utilizada por equipos dirigidos por desarrolladores.

Ideal para. Equipos que quieren un flujo de trabajo de visión alojado y están dispuestos a adoptar sus convenciones para los conjuntos de datos.

Cómo funciona la automatización. El etiquetado asistido por modelos propone anotaciones a partir de un modelo fundacional o de un modelo que ya hayas entrenado para el proyecto, de modo que las propuestas mejoran a medida que mejora tu modelo.

Ventajas. Interfaz de anotación bien documentada, gestión sólida de versiones de conjuntos de datos y un amplio ecosistema de conjuntos de datos públicos que agiliza la creación de una lista de clases.

Contrapartidas. El valor aumenta cuando usas más partes de la plataforma, por lo que los equipos que solo quieren una capa de etiquetado quizá estén comprando más de lo que necesitan.

SuperAnnotate#

Qué es. Una plataforma de anotación que ofrece acceso a servicios de etiquetado gestionados.

Ideal para. Equipos cuya limitación es tanto la capacidad de etiquetado como el software para etiquetar.

Cómo funciona la automatización. Las funciones de automatización preanotan y propagan las etiquetas dentro de un proyecto, y puedes recurrir a revisores gestionados para la revisión humana.

Ventajas. Un único proveedor para las herramientas y el personal, con gestión de proyectos empresariales para ambos.

Contrapartidas. Hay que definir por separado las necesidades de software y de servicios; de lo contrario, puedes comprar capacidad que no puedes dirigir.

Ultralytics Platform: anotación inteligente con SAM para entrenar Ultralytics YOLO#

Qué es. Ultralytics Platform conecta la anotación de conjuntos de datos con el entrenamiento y el despliegue de modelos. Se importan imágenes sin procesar o etiquetas existentes, Smart Annotation propone anotaciones, los revisores las corrigen y el conjunto de datos sirve para entrenar un modelo Ultralytics YOLO sin tener que pasar a un sistema de entrenamiento aparte.

Ideal para. Equipos que desarrollan modelos de detección, segmentación, clasificación, pose o cajas orientadas con Ultralytics YOLO y quieren mantener en un solo lugar el ciclo de etiquetado, entrenamiento e inspección.

Cómo funciona la automatización. Smart Annotation usa SAM, el modelo Segment Anything de Meta, para generar máscaras, cuadros delimitadores y cuadros orientados con un clic y unos pocos puntos de ajuste; después, los revisores editan el resultado manualmente. SAM 3 es la opción predeterminada, aunque puedes elegir variantes más ligeras de SAM 2.1 cuando la velocidad de interacción importe más que la precisión de las máscaras. Es compatible con detección, segmentación, segmentación semántica y cuadros orientados; los conjuntos de datos de pose y clasificación se anotan manualmente, aunque la pose incluye plantillas de esqueletos para personas, manos, perros, caras y cajas que agilizan el trabajo manual.

También genera preanotaciones con modelos YOLO preentrenados, un mecanismo más interesante. Como el entrenamiento se realiza en la misma plataforma, tu propio modelo ajustado se convierte en el preanotador de la siguiente ronda. El ciclo se completa sin exportar nada: entrena con lo que tienes, comprueba en qué se equivoca el modelo y envía esos casos de vuelta para anotarlos. Ese es el efecto acumulativo que se describe más adelante en esta guía, disponible sin que tengas que conectar las piezas por tu cuenta.

Ventajas. Lo importante es el ciclo cerrado. No hay que exportar, convertir e importar entre el etiquetado y el entrenamiento, la anotación manual cubre las seis tareas de visión compatibles con los modelos de Ultralytics y el conjunto de datos con el que se entrenó cada ejecución sigue vinculado a ella.

Contrapartidas. Está diseñada para visión artificial, así que los equipos que etiquetan texto o audio además de imágenes necesitan otra herramienta. No ofrece un equipo de etiquetado humano gestionado ni es un motor de selección basado en embeddings para conjuntos enormes de datos sin etiquetar. La ventaja de la integración también tiene una contrapartida que conviene mencionar: cuanto más flujo de trabajo concentras en una plataforma, más dependes de un solo proveedor; es el mismo coste de dependencia señalado antes para Roboflow. También es la opción más reciente de esta comparación: Ultralytics Platform se lanzó en marzo de 2026, mientras que CVAT, Labelbox y Roboflow acumulan años de uso en producción. Si la trayectoria es un requisito de compra, esa diferencia es real y debes tenerla en cuenta.

V7#

Qué es. Una plataforma de anotación centrada en el trabajo detallado con imágenes y vídeo, especialmente sólida en imágenes médicas y científicas.

Ideal para. Equipos que producen anotaciones densas y de alta precisión, donde la comodidad de quienes revisan prima sobre el coste.

Cómo funciona la automatización. La anotación automática genera anotaciones detalladas de instancias a partir de una entrada mínima y permite hacer seguimiento entre fotogramas de vídeo.

Ventajas. Herramientas orientadas a la precisión e interfaz muy valorada para tareas de segmentación complejas.

Contrapartidas. La especialización para imágenes difíciles supone una carga innecesaria para la detección de objetos sencilla.

Voxel51 FiftyOne#

Qué es. Un conjunto de herramientas de código abierto para explorar, depurar y seleccionar conjuntos de datos de visión y predicciones de modelos, con una edición empresarial.

Ideal para. Equipos cuyo problema de precisión está en los datos y todavía no saben detectarlo.

Cómo funciona la automatización. Las predicciones y la referencia real se cargan en la misma vista para que puedas ordenar por pérdida, encontrar errores de etiquetado y duplicados, y exportar un subconjunto específico para volver a etiquetarlo.

Ventajas. Detecta especialmente bien problemas en los conjuntos de datos (etiquetas erróneas, duplicados y desequilibrio entre clases) que no se resolverían etiquetando más.

Contrapartidas. Es una capa de curación y análisis, no una interfaz de anotación ni un servicio de etiquetado.

Los modelos que hay detrás del etiquetado automático#

Los proveedores promocionan la automatización como una función, pero su calidad depende del modelo subyacente; además, los motores de búsqueda que muestran esta cuestión en sus resultados mencionan directamente esos modelos.

Segment Anything (SAM). El modelo de segmentación guiada por indicaciones de Meta genera máscaras a partir de una indicación con un punto o un cuadro. Es la herramienta de referencia para funciones de anotación inteligente, incluida la de Ultralytics Platform, y es excelente para encontrar los contornos de los objetos. No conoce los nombres de tus clases. Segmenta, pero otro sistema tiene que decidir qué representa cada segmento.

Detectores de vocabulario abierto. Los modelos de la familia Grounding DINO detectan objetos a partir de una indicación de texto, lo que permite preanotar una clase para la que el modelo nunca se entrenó. Resultan útiles para iniciar una lista de clases, pero son menos fiables con piezas y defectos específicos del dominio, cuando tu vocabulario no coincide con nada de lo que aparece en la web pública.

Tu propio modelo ajustado. Cuando ya existe un primer modelo, suele ser el mejor preanotador para tus datos porque ha visto tus cámaras, la iluminación y las clases. Este mecanismo permite que el ciclo sea acumulativo: cada ronda de etiquetado genera un preanotador mejor para la siguiente.

En la práctica, la automatización mejora a lo largo del proyecto. Valorar una herramienta por la calidad con que un modelo genérico preanota tus primeras cien imágenes no refleja lo que hará cuando llegue a las diez mil.

Ejecutar el flujo de trabajo sin degradar el conjunto de datos#

La automatización desplaza el riesgo, no lo elimina. Un fotograma preanotado que alguien acepta sin más parece idéntico a uno revisado con cuidado, y el sesgo de confirmación es fuerte cuando ya hay un cuadro dibujado.

Medidas que conviene aplicar antes de ampliar la automatización:

• Revisa las preanotaciones, no te limites a confirmarlas. Deja claro que quienes revisan deben corregir un borrador y audita las tasas de aceptación que parezcan inverosímilmente altas.
• Reserva un conjunto de evaluación etiquetado a mano. Si el mismo tipo de modelo que evalúas etiquetó automáticamente tu conjunto de prueba, tus métricas miden concordancia, no precisión.
• Extrae muestras y vuelve a revisarlas. En cada ronda, toma una muestra aleatoria de las etiquetas automáticas aceptadas y etiquétala desde cero de forma independiente. La tasa de discrepancia es la verdadera medida de calidad.
• Vigila las clases en las que la automatización peor funciona. Los objetos pequeños, las oclusiones intensas y las clases poco frecuentes son los casos en que fallan las propuestas y se concentran los errores inadvertidos.
• Mantén estable la ontología o versiona sus cambios. La automatización propaga fielmente y a gran velocidad una definición antigua de las clases.
• Registra la procedencia. Saber qué etiquetas propuso una máquina y cuáles se dibujaron a mano facilita investigar problemas de calidad más adelante.

Cuándo deja de compensar la automatización#

La automatización es más rentable con grandes volúmenes de datos visualmente coherentes y clases bien definidas. Es menos rentable en tres situaciones que conviene detectar pronto.

La primera son las clases realmente novedosas. Si ningún modelo disponible reconoce tu pieza, defecto o evento, la preanotación genera ruido que alguien debe eliminar antes de empezar el trabajo de verdad. Etiqueta a mano unos cientos de casos, entrena un modelo y luego deja que tu propio modelo genere las preanotaciones.

La segunda es el criterio experto. Cuando la dificultad reside en decidir si algo cuenta como defecto, el cuello de botella está en la decisión, no en el dibujo. La automatización no resuelve más rápido una discrepancia entre dos inspectores cualificados.

La tercera es que el conjunto de datos ya sea suficientemente grande. A partir de cierto punto, añadir etiquetas de las mismas escenas deja de mejorar la precisión y la limitación pasa a ser la diversidad de los datos. Es un problema de selección, y ampliar la capacidad de etiquetado automático solo genera etiquetas redundantes más rápido.